基于深度学习结合多参数MRI与分子病理学的4级胶质瘤时空复发模式分析

《npj Precision Oncology》：Spatial-temporal recurrence patterns of grade 4 glioma using deep learning integrated multiparametric MRI and molecular pathology

　　

摘要

4级胶质瘤由于不可避免的复发而具有致命性。目前的放射治疗指南建议采用统一的目标体积边界，而没有考虑分子和临床因素。我们假设，可以通过诊断时已存在的分子和表型特征来预测肿瘤的时空复发情况。我们分析了来自挪威多家医疗机构以及TCIA的390组4级胶质瘤的MRI图像（2015–2025年）。通过深度学习技术，我们识别出了增强型肿瘤区域、非增强型肿瘤区域以及受影响的解剖结构。我们利用Hausdorff-95指标量化了初始增强型/非增强型肿瘤区域的体积比、肿瘤的解剖学进展轨迹以及时空进展情况，并结合生存率、MGMT基因状态、IDH基因状态、年龄、手术切除范围、性别和肿瘤所在位置等参数，通过机器学习和Cox回归分析这些数据。肿瘤的初始组成也具有独立的预后意义：初始增强型/非增强型肿瘤区域体积比≤0.324的患者，其总体生存率更高（调整后的风险比为0.56，95%置信区间为0.37–0.84，p值=0.006），这一结果与年龄、MGMT基因状态及不同肿瘤区域无关。在IDH基因野生型且MGMT基因未甲基化的患者中，初始体积比≤0.324的患者生存期可延长4.3个月（中位生存期为17.6个月 vs 13.3个月，p值=0.0209）。肿瘤进展时间越长，Hausdorff-95距离越大（p值＜0.03）。起源于枕叶的肿瘤最容易转移到其他部位，其进展时间也最短（调整后的风险比为1.90，p值=0.026）。这些研究结果支持基于分子、人口统计学和解剖学因素的风险分层方法，有助于在放射治疗规划中确定更个性化的治疗边界。